基于深度学习的电弧增材制造层宽自抗扰控制方法技术

本发明专利技术涉及基于深度学习的电弧增材制造层宽自抗扰控制方法，包括以下步骤：1.采集熔池图像并ROI选择；2.采用分割网络结构进行熔池图像分割；3.提取焊缝宽度；4.调节焊接电流并控制焊缝宽度。本发明专利技术设计的分割网络EPNet确定了焊缝宽度并设计自抗扰控制算法，实现了焊接熔池宽度的实时控制；EPNet是基于ERFNet网络，加入金字塔池化模块，融合多尺度的深层图像特征，并在训练时对数据集中的原图和对应的标签在形态学上做了数据增广；结合自抗扰控制算法，可在焊接过程中根据提取的熔池宽度进行实时控制，保证熔池宽度的控制精度，为电弧增材制造焊接过程中焊缝宽度的在线监测和控制提供了必要的策略。制提供了必要的策略。制提供了必要的策略。

【技术实现步骤摘要】
基于深度学习的电弧增材制造层宽自抗扰控制方法


[0001]本专利技术涉及基于深度学习的电弧增材制造层宽自抗扰控制方法，属于图像处理及自动控制


技术介绍

[0002]熔焊与增材制造技术早已渗透到航空航天、兵器装备、舰船海工、新能源新材料、核装备/承载设备、汽车轨道车辆等众多军事民生领域。熔焊与增材制造是瞬态过程不断累积的工艺过程，机器人焊接可以提高生产效率和焊接质量。但是目前所做的熔池实时监测都是在焊接的同时进行监测，不能提前预测后续的熔池变化。
[0003]焊接和增材过程是一个既变性又变形的复杂物理化学过程，由于强烈的弧光辐射、高温、烟尘、飞溅、坡口状况、加工误差、装夹精度、表面状态和工件热变形会使焊炬偏离焊缝，从而造成焊接质量下降甚至失败。这就要求焊接机器人能够实时监测焊缝焊接的成形质量，及时调整焊接工艺以保证焊接质量的可靠性。在目前的研究中，对于电弧增材制造中层几何的反馈控制策略还不够。

技术实现思路

[0004]为了解决上述技术问题，本专利技术提供基于深度学习的电弧增材制造层宽自抗扰控制方法，其具体技术方案如下：基于深度学习的电弧增材制造层宽自抗扰控制方法，包括以下步骤：步骤一：采集熔池图像：采集熔池图像，对熔池图像进行ROI选择；步骤二：分割熔池图像：采用ErfNet的Encoder-Decoder分割网络结构进行熔池图像分割，且其使用语义分割常用的交叉熵损失函数，融合全局特征信息，并在主干网络中加入金字塔池化模块，其中，交叉熵损失函数在二分类情况下，其预测结果只有两种，使得预测得到的概率为p和1-p，此时预测结果如公式（1）所示，（1）式中，表示样本i的标签，正类为1，负类为0，表示样本i预测为正类的概率，N为类别数量；步骤三：提取焊缝宽度：熔池图像分割后，以熔池图像中熔池前方的第一个像素作为参考，从第一个像素向下第50-70个像素区域的平均宽度作为焊缝宽度，提取焊缝宽度；步骤四：调节焊接电流并控制焊缝宽度：根据提取的焊缝宽度调节并控制焊接电流，选择焊接电流作为系统输入，焊接宽度作为系统输出，通过阶跃响应实验，进行系统辨识，获取焊接过程的动态模型，采用二阶传递函数来近似焊接电流与宽度的关系，如公式（2）所示，（2）
式中，表示焊接电流增益，且，和分别表示时间常数，s为拉普拉斯变换微分算子。
[0005]进一步的，所述步骤一中ROI区域为包含熔池轮廓的固定区域，所述ROI区域大小为512像素
×
512像素。
[0006]进一步的，所述步骤二中金字塔池化模块设置有4层不同尺寸的全局池化层，每层的尺寸依次是1
×
1、2
×
2、3
×
3、6
×
6，且全局平均池化，并采用1
×
1卷积将通道减少为初始通道的1/4，通过对ErfNet下采样得到特征图，特征图采用双线性插值上采样获得未池化前的尺寸。
[0007]进一步的，所述步骤二中熔池图像进行分割时，为确保图像分割精度，采用平均交并比法衡量图像分割精度，即MIoU值衡量图像分割精度，如公式（3）所示，（3）式中，TP为像素级的真正样本个数，FP为像素级的假正样本个数，FN为像素级的假负样本个数，k为类别数量。
[0008]进一步的，所述步骤二中分割网络进行网络训练，网络训练过程中采用退化学习率的方式来进行学习率的设置，初训练采用大的学习率加速网络模型训练，然后逐渐减小学习率寻求最优解，提高分类精度，如公式（4）所示，（4）式中，为原始设定的学习率，为衰减速率，n为循环次数，m为衰减间隔次数。
[0009]本专利技术的有益效果：本专利技术设计的分割网络EPNet确定了焊缝宽度并设计自抗扰控制算法，实现了焊接熔池宽度的实时控制；EPNet是基于ERFNet网络，加入金字塔池化模块，融合多尺度的深层图像特征，并在训练时对数据集中的原图和标签在形态学上做了数据增广；结合自抗扰控制算法，可在焊接过程中根据提取的熔池宽度进行实时控制，保证熔池宽度的控制精度，为电弧增材制造焊接过程中焊缝宽度的在线监测和控制提供了必要的策略。
附图说明
[0010]图1是本专利技术的流程示意图，图2是本专利技术的网络结构图I，图3是本专利技术的网络结构图II，图4是本专利技术的数据增广流程图，图5是本专利技术的自抗扰控制框图，图6是本专利技术的不同层实际宽度比较图，图7是本专利技术的不同层实际宽度鲁棒性测试图。
具体实施方式
[0011]现在结合附图对本专利技术作进一步详细的说明。这些附图均为简化的示意图，仅以示意方式说明本专利技术的基本结构，因此其仅显示与本专利技术有关的构成。
[0012]如图1所示，本专利技术的基于深度学习的电弧增材制造层宽自抗扰控制方法。
[0013]首先，采集熔池图像。在所采集的熔池图像上进行ROI选择，并置于图像中间，ROI区域为包含熔池轮廓的固定区域，ROI区域大小为512像素
×
512像素。
[0014]然后，分割熔池图像。如图2所示，本专利技术设计的网络沿用ErfNet的Encoder-Decoder结构，为了进一步提升熔池分割网络EPNet的效果，在主干网络中加入了Pyramid Pooling Module 金字塔池化模块，如图3所示。它解决了网络无法有效的融合全局特征信息的问题。金字塔池化模块将从前面网络中提取出的特征图在此处分成两个分支，一个分支分为多个子区域。金字塔池化模块分为四层，每层的尺寸分别是1
×
1，2
×
2,3
×
3,6
×
6，进行全局平均池化，接着用1
×
1卷积调整通道大小，将通道减少到原来的1/N,这里N就为4。再通过对每一个特征图利用双线性插值上采样获得未池化前的尺寸。最后将两个分支，即原特征图和上采样得到的特征图连接融合。金字塔池化模块能够聚合不同区域的上下文从而达到获取全局上下文的目的。此外，损失函数使用语义分割常用的交叉熵损失函数。在二分类的情况下，模型最后需要预测的结果只有两种情况。对于每个类别我们的预测得到的概率为p和1-p，此时预测结果如公式（1）所示，（1）式中，表示样本i的标签，正类为1，负类为0，表示样本i预测为正类的概率，N为类别数量。熔池图像进行分割时，为确保图像分割精度，采用平均交并比法衡量图像分割精度，即MIoU值衡量图像分割精度，如公式（3）所示，（3）式中，TP为像素级的真正样本个数，FP为像素级的假正样本个数，FN为像素级的假负样本个数，k为类别数量。为了使网络更好地学习熔池图像的弱边缘特征，使网络模型更具鲁棒性。在数据发送到网络之前，对熔池图像和数据集中相应的标签进行数据增广。数据增广的操作流程如图4所示，该流程包括熔池图像和标签的旋转、缩放和裁剪。
[0015]分割完熔池图像后，提取焊缝的宽度。以熔池图像中熔池前方的第一个像素作为参考，从第一个像素向下第50-70个像素区域的平均宽度作为焊缝宽度，提取焊缝宽度。
[0016]最后，调节焊接本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于深度学习的电弧增材制造层宽自抗扰控制方法，其特征在于：包括以下步骤：步骤一：采集熔池图像：采集熔池图像，对熔池图像进行ROI选择；步骤二：分割熔池图像：采用ErfNet的Encoder-Decoder分割网络结构进行熔池图像分割，且其使用语义分割常用的交叉熵损失函数，融合全局特征信息，并在主干网络中加入金字塔池化模块，其中，交叉熵损失函数在二分类情况下，其预测结果只有两种，使得预测得到的概率为p和1-p，此时预测结果如公式（1）所示，（1）式中，表示样本i的标签，正类为1，负类为0，表示样本i预测为正类的概率，N为类别数量；步骤三：提取焊缝宽度：熔池图像分割后，以熔池图像中熔池前方的第一个像素作为参考，从第一个像素向下第50-70个像素区域的平均宽度作为焊缝宽度，提取焊缝宽度；步骤四：调节焊接电流并控制焊缝宽度：根据提取的焊缝宽度调节并控制焊接电流，选择焊接电流作为系统输入，焊接宽度作为系统输出，通过阶跃响应实验，进行系统辨识，获取焊接过程的动态模型，采用二阶传递函数来近似焊接电流与宽度的关系，如公式（2）所示，（2）式中，表示焊接电流增益，且，和分别表示时间常数，s为拉普拉斯变换微分算子。2.根据权利要求1所述的基于深度学习的电弧增材制造层宽自抗扰控制方法，其特征在于：所述步骤一中ROI区域为包含熔池轮廓的固定区域，所述ROI区域大小为512像素
×

【专利技术属性】
技术研发人员：赵壮，王一鸣，陆骏，韩静，徐兴旺，柏连发，张毅，
申请(专利权)人：南京理工大学，
类型：发明
国别省市：